情绪识别模型的训练方法及装置、情绪识别方法及装置

本公开涉及情绪识别，更具体地，涉及一种情绪识别模型的训练方法及装置、情绪识别方法及装置。

背景技术：

1、相关技术在对生理信号进行情绪识别时，在生理信号的特征选择方面，使用最多的是relieff算法，然而，relieff算法不仅对于特征之间的相关性没有进行考虑，会导致识别准确率低下，而且，relieff算法在进行特征选择时耗时比较严重。

技术实现思路

1、本公开实施例提供了一种情绪识别模型的训练方法及装置、情绪识别模型及装置。

2、根据本公开的第一方面，提供了一种情绪识别模型的训练方法，所述方法包括：

3、获取训练样本集以及所述训练样本集中每一训练样本的情绪类别标签；

4、基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征；

5、根据待训练的情绪识别模型中的第一分类器对所述目标特征进行分类，得到所述目标特征的第一分类结果，根据待训练的情绪识别模型中的第二分类器对所述目标特征进行分类，得到所述目标特征的第二分类结果，以及融合所述第一分类结果和所述第二分类结果，获得融合分类结果；

6、根据所述融合分类结果和所述情绪类别标签，构建待训练的情绪识别模型的分类损失；

7、根据所述分类损失更新待训练的情绪识别模型的模型参数。

8、可选地，所述基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征，包括：

9、根据所述训练样本集组成的论域、所述基础特征组成的条件属性、所述情绪类别标签组成的决策属性、预设的反映所述训练样本和任意所述基础特征之间的对应关系的映射规则，以及所述训练样本和任意所述基础特征在对应所述映射规则下的值域，构建信息系统；

10、以所述信息系统为基准，将所述论域中每一所述训练样本的伴随标记设置为第一数值，并将特征候选集设置为空集；

11、获取所述论域中任意两个所述训练样本之间的邻域关系；

12、对于任意所述训练样本，遍历任意所述训练样本与其他所述训练样本之间的邻域关系，并在任意所述训练样本与其他所述训练样本之间的邻域关系小于或等于邻域半径阈值的情况下，将其他所述训练样本的伴随标记更新为第二数值；

13、根据伴随标记为第一数值的训练样本，构建最佳样本集；

14、获取所述决策属性在所述最佳样本集下对于所述基础特征的正域；

15、根据所述决策属性在所述最佳样本集下对于所述基础特征的正域，获得所述决策属性对于所述基础特征的依赖度；

16、根据所述决策属性对于所述基础特征的依赖度，获得所述基础特征相对于所述特征候选集的重要度；

17、在所述基础特征相对于所述特征候选集的重要度为最大重要度的情况下，将所述基础特征加入所述特征候选集；

18、更新所述信息系统，在更新后的所述信息系统满足设定条件的情况下，输出所述特征候选集，并将所述特征候选集中的基础特征作为所述目标特征，在更新后的所述信息系统不满足所述设定条件的情况下，继续执行获取所述论域中任意两个所述训练样本之间的邻域关系的步骤。

19、可选地，所述第一分类器为支持向量机，所述支持向量机包括惩罚系数和核函数系数，

20、所述根据待训练的情绪识别模型中的第一分类器对所述目标特征进行分类，得到所述目标特征的第一分类结果，包括：

21、根据遗传算法同步优化所述惩罚系数和所述核函数系数，获得所述第一分类器；以及，

22、根据所述第一分类器对所述目标特征进行分类，得到所述目标特征的第一分类结果。

23、可选地，所述第二分类器为分类回归树，

24、所述根据待训练的情绪识别模型中的第二分类器对所述目标特征进行分类，得到所述目标特征的第二分类结果，包括：

25、将所述训练样本集划分为不同子集；

26、对于每一所述子集，构造出对应的分类回归子树；

27、根据所述分类回归子树对对应的所述子集中所述训练样本的目标特征进行分类，获得所述目标特征的第二分类结果。

28、可选地，所述方法还包括：

29、获取验证样本集以及所述验证样本集中每一验证样本的情绪类别标签；

30、将所述验证样本输入训练后的情绪识别模型，获得所述验证样本的预测情绪类别；

31、根据所述预测情绪类别与所述情绪类别标签，对训练后的情绪识别模型进行验证。

32、根据本公开的第二方面，提供了一种情绪识别方法，所述方法包括：

33、获取待识别生理信号；

34、根据训练后的情绪识别模型对所述待识别生理信号进行情绪识别，获得所述待识别生理信号的情绪识别结果；

35、其中，所述情绪识别模型根据以上第一方面所述的情绪识别模型的训练方法训练得到。

36、根据本公开的第三方面，提供一种情绪识别模型的训练装置，所述装置包括：

37、第一获取模块，用于获取训练样本集以及所述训练样本集中每一训练样本的情绪类别标签；

38、选择模块，用于基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征；

39、分类模块，用于根据待训练的情绪识别模型中的第一分类器对所述目标特征进行分类，得到所述目标特征的第一分类结果，根据待训练的情绪识别模型中的第二分类器对所述目标特征进行分类，得到所述目标特征的第二分类结果，以及融合所述第一分类结果和所述第二分类结果，获得融合分类结果；

40、构建模块，用于根据所述融合分类结果和所述情绪类别标签，构建待训练的情绪识别模型的分类损失；

41、更新模块，用于根据所述分类损失更新待训练的情绪识别模型的模型参数。

42、根据本公开的第四方面，提供一种情绪识别装置，所述装置包括：

43、第二获取模块，用于获取待识别生理信号；

44、识别模块，用于根据训练后的情绪识别模型对所述待识别生理信号进行情绪识别，获得所述待识别生理信号的情绪识别结果；

45、其中，所述情绪识别模型根据以上第一方面所述的情绪识别模型的训练方法训练得到。

46、根据本公开的第五方面，提供一种电子设备，存储器，用于存储可执行的计算机指令；处理器，用于根据所述可执行的计算机指令的控制，执行根据以上第一方面所述的情绪识别模型的训练方法或者以上第二方面所述的情绪识别方法。

47、根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时执行以上第一方面所述的情绪识别模型的训练方法或者以上第二方面所述的情绪识别方法。

48、根据本公开实施例的情绪识别模型的训练方法，其是基于变精度邻域粗糙集的快速前向搜索特征选择算法对训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征，并根据待训练的情绪识别模型中的第一分类器对目标特征进行分类，得到目标特征的第一分类结果，根据待训练的情绪识别模型中的第二分类器对目标特征进行分类，得到目标特征的第二分类结果，以及融合第一分类结果和第二分类结果获得融合分类结果，进而根据融合分类结果和情绪类别标签，构建待训练的情绪识别模型的分类损失，根据分类损失更新待训练的情绪识别模型的模型参数。也就是说，本公开实施例是通过变精度邻域粗糙集的快速前向搜索特征选择算法对训练样本的基础特征进行特征选择，其通常是基于伴随标记的截断和论域缩减策略，能够有效降低特征选择的耗时，提升运算效率；并且，其是将两个分类器的情绪识别结果进行融合，得到最终的情绪识别结果，进一步提高情绪识别准确率。

49、通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。